Фото в текст за полминуты: в цифрах не соврали, а буквы подменили обе

Что нейросеть делает со снимком и почему это не сканер?

Старые программы распознавания работали буква за буквой: нашли пятно, похожее на «м», поставили «м». Нейросеть работает иначе, она читает картинку целиком и пересказывает то, что поняла. Отсюда все её сильные и слабые места сразу.

Сильная сторона: ей не мешает то, от чего сканеры сходили с ума. Наклон страницы, тень от руки, сжатие телефонной камеры, мелкий шрифт с засечками - всё это она проглатывает и выдаёт связный текст. Слово, размазанное в пиксели, она достроит по смыслу фразы, и чаще всего достроит верно.

Слабая сторона ровно в этом же. Там, где смысла нет - в артикуле, в марке автомата, в обозначении градусов - достраивать не по чему, и нейросеть выбирает вариант, который чаще встречался в её опыте. А ещё она вольна переставить блоки: раз она пересказывает понятое, порядок в ответе будет таким, каким она увидела логику страницы, а не таким, как напечатано.

Практический вывод один: текст после расшифровки надо не перечитывать на общий смысл, а сверять точечно в местах, где смысл не помогает. Ниже показываю, где именно.

Как снять документ, чтобы текст не пришлось угадывать?

Половина ошибок рождается не в нейросети, а в момент съёмки. Четыре вещи, которые дают самый заметный выигрыш.

Свет со стороны, а не из-за спины. Встаньте так, чтобы окно или лампа были слева или справа от листа. Свет прямо за вашей спиной даёт на глянцевой бумаге белое пятно, и строки под ним исчезают полностью.

Одна страница в кадре. Разворот из двух страниц нейросеть иногда читает как один текст и склеивает колонки. Две страницы - два снимка, два отдельных запроса.

Лист заполняет кадр. Стол, руки и края скатерти в кадре ничего не добавляют, зато уменьшают сами буквы. Подойдите ближе, чтобы лист занимал почти весь снимок.

Камера параллельно листу. Небольшой наклон не страшен: накладную я снимал с наклоном в полтора градуса и с тенью, и это никому не помешало. Но если снимать под углом сорок градусов, дальний край страницы сожмётся в кашу.

И отдельно про вес файла. Современный телефон выдаёт снимок на 6-8 мегабайт, а чаты обычно просят до 2-3. Если файл не принимают, откройте его в любом просмотрщике и сохраните заново с качеством пониже: для текста этого хватает с запасом. Мои три тестовых снимка весили по 85-100 килобайт и распознались нормально.

Куда загрузить снимок бесплатно?

Отдельный сервис-распознаватель для разовой задачи не нужен: в бесплатных чатах, которые открываются из России без иностранной карты, эта функция уже есть.

Не ищите один лучший инструмент, держите два. Один и тот же снимок в двух чатах даёт два текста, и расхождения между ними показывают точно те места, где надо смотреть в оригинал. Это быстрее, чем вычитывать один ответ целиком.

Шесть шагов от снимка до готового текста

1. Шаг 1. Снимите и проверьте снимок глазамиОткройте фото на весь экран и увеличьте самое мелкое место: сноску, подпись, последнюю строку таблицы. Не читаете вы, не прочитает и нейросеть. Пересняли, и только тогда идём дальше.
2. Шаг 2. Откройте чат и прикрепите файлСкрепка рядом с полем ввода, снимок с диска или прямо с телефона. Запрос пишется в том же сообщении, что и файл: на отдельном «сейчас пришлю фото» время только теряется.
3. Шаг 3. Попросите дословно и запретите считатьГотовый запрос ниже. Главное в нём - запрет пересчитывать и добавлять от себя: без него модель охотно «поправит» итог или подпишет вывод, которого в документе нет.
4. Шаг 4. Сверьте цифры по оригиналуОткройте снимок рядом с ответом и пройдите по числам: суммы, количество, даты, телефоны, номера пунктов. Это тридцать секунд, и это единственная проверка, которую нельзя пропускать.
5. Шаг 5. Сверьте порядок строк и хвостыВ таблице проверьте, что итог стоит там же, где на фото. В прозе - что слова не разорваны переносом и что сноска внизу не потерялась. Оба дефекта у меня вылезли живьём, разбор ниже.
6. Шаг 6. Приведите к нужному видуТолько на этом шаге просите переписать в таблицу, перевести, сократить или разложить по столбцам. Сначала честная расшифровка, потом обработка: если смешать в один запрос, проверять будет уже нечего.

Запрос для шага 3, ровно тот, которым я гонял накладную:

В ответе придёт текст с сохранёнными строками таблицы и отметка «ТЕКСТ ГОТОВ» в конце. Эта отметка нужна не нейросети, а вам: если её нет, значит ответ оборвался на середине, и проверять надо не текст, а факт полноты. Строку с отметкой потом просто удаляете.

Для страницы книги или инструкции запрос другой, там мешают переносы и сноски:

Проверка тут одна: поищите в тексте дефис, за которым сразу идёт пробел, это и есть несобранный перенос. И отдельно убедитесь, что абзац со звёздочкой внизу страницы вообще приехал.

Что показал живой прогон на трёх снимках?

Общие слова «работает хорошо» ничего не стоят, поэтому я сделал три снимка, текст которых знал заранее до последней запятой, и сверил ответы скриптом - пословно, а не на глаз.

Снимок А: накладная на пять позиций от вымышленного ООО, итог 15 398,70 и НДС 22 процента - 2 776,88. Внутри специально спрятаны ловушки: латинские слова среди русских (Schneider, IEK, WAGO), обозначение автомата «ВА47-29 C16», диаметр гофры со знаком диаметра, разряды тысяч, наклон и тень.

Снимок Б: страница инструкции по уходу за аккумулятором, мелкий шрифт с засечками. Пять слов разорваны переносом, внизу сноска со звёздочкой про гарантию, в тексте градусы, проценты, диапазоны и буква «ё».

Снимок В: записка со списком дел - телефон, две даты, время, сумма, батарейки «ААА» русскими буквами и лампочка «Е27». Здесь сразу оговорка: это не живая рука, а рукописный шрифт на экране. Настоящий почерк сложнее, и делать по этому снимку вывод «нейросеть читает рукописное» было бы нечестно.

Главного вывода я не ожидал: в самих цифрах не ошибся ни один инструмент. Суммы до копейки, количество, телефон, даты, время, номер пункта гарантии - всё встало верно у обоих, на всех трёх снимках. Страх «она переврёт сумму» не подтвердился.

Зато все расхождения оказались там, куда обычно не смотрят: порядок блоков, переносы, потерянная сноска и невидимые подмены букв. Ошибка не кричит, а прячется, и уезжает дальше в договор, в таблицу, в письмо.

Почему в русских словах появляются латинские буквы?

Одиннадцать русских букв выглядят точно как латинские: А, В, С, Е, Н, К, М, О, Р, Т, Х. На снимке они неразличимы, и нейросеть выбирает алфавит по смыслу слова. В обычном тексте она почти всегда права. А в артикуле, марке, коде склада или обозначении температуры смысла нет, там она гадает.

Как это выглядело у меня. Маркировку автомата «ВА47-29» русскими буквами оба инструмента записали латиницей, «BA47-29». ГигаЧат тут же поступил наоборот: латинское обозначение «C16» переписал русской «С». В одной строке он сделал обе ошибки разом, в противоположные стороны. В градусах «°С» он два раза поставил латинскую «C», а в третий раз оставил русскую, непоследовательно даже внутри одной страницы. Алиса в градусах хотя бы ошиблась одинаково три раза из трёх.

Строка выглядит правильной, вы её принимаете, вставляете в таблицу, и дальше не работает ничего: поиск по документу не находит позицию, функция ВПР в Excel возвращает ошибку, сортировка раскидывает одинаковые артикулы в разные места. Причину потом ищут в формуле, хотя она в одной букве.

Лечится это не вниманием, а отдельным запросом. Попросите нейросеть саму найти свои подмены:

Придёт короткий список подозрительных строк. Проверять надо только их, а не весь текст. Не доверяете ответу - откройте текст в Word и включите проверку орфографии: подчёркнутыми окажутся как раз слова со смешанным алфавитом.

Как вернуть слова, разорванные переносом, и сноску?

В книгах и типографских инструкциях слово в конце строки разрывается дефисом. Для нейросети это две половинки, и склеивать их она обязана только если попросили. В моём прогоне просьба в запросе была, и Алиса собрала все переносы, а ГигаЧат три слова оставил разорванными: «по- ломка», «воз- вращаются», «нель- зя». Одна и та же просьба, разный результат.

Поэтому порядок такой: просьбу в запрос вписываем всегда, но результат всё равно проверяем. Ищем в тексте дефис с пробелом после него, каждое такое место чиним руками или отдельной просьбой: «собери слова, разорванные переносом, и покажи, какие именно ты собрал».

Со сноской история хуже, потому что её потерю не видно вообще. ГигаЧат звёздочку у слова потерял, и абзац под страницей превратился в обычный текст, будто это часть инструкции, а не оговорка про гарантию. В моём тестовом случае в этой сноске было условие, снимающее гарантию при зарядке вне диапазона температур. Ровно то, из-за чего потом отказывают в ремонте.

Правило простое: если внизу страницы есть мелкий абзац, после расшифровки убедитесь, что он на месте и что звёздочка стоит там, где стояла. Мелкий шрифт в документах мелкий не случайно.

Как из снимка таблицы получить строки для Excel?

Расшифрованная таблица в чате выглядит аккуратно, но при вставке в Excel сваливается в один столбец. Лечится это на этапе запроса: попросите отдать строки с разделителем.

Дальше проще всего так: скопируйте ответ в блокнот и сохраните файл с расширением csv. Excel откроет его сам и разложит по столбцам. Пункт про пробелы в разрядах важнее, чем кажется: «15 398,70» с пробелом Excel считает текстом, такие числа не складываются, а формулы по столбцу дают ноль.

Про итоговую строку отдельно. Просьбу «не добавлять итоговых строк» я вписал не зря: модель охотно дописывает сумму, которой на фото не было, и вы получаете красивую таблицу с числом, взявшимся неизвестно откуда. Считать должен Excel, а нейросеть только переписывать. Как формулировать сам подсчёт словами, разобрано в разборе про нейросеть для Excel.

Проверка порядка строк здесь обязательна. Помните, Алиса на накладной переставила «Итого» после НДС, просто потому, что на фото итог стоял справа, а НДС строкой ниже слева. Она прочла по расположению, а не по смыслу. В csv такая перестановка выглядит совершенно нормально, и поймать её можно только сверкой с фото.

Что делать с рукописным текстом?

Начну с честной оговорки, которую обычно не делают. Мой третий снимок был не живой рукой, а рукописным шрифтом на экране: ровные буквы, одинаковый наклон, никаких помарок. Это лёгкий вариант, и результат по нему - у Алисы полное совпадение, у ГигаЧата 90,4 процента - настоящий почерк не описывает.

Печатные буквы и ровный аккуратный почерк читаются прилично. Беглая скоропись со слипшимися буквами читается плохо, и главная беда там та же: цифры и имена собственные, которые не восстановить по смыслу фразы. Нейросеть не признается, что не разобрала слово, она подставит похожее.

Отсюда рабочий приём для рукописного. Просите не просто расшифровку, а расшифровку с пометками сомнений: «если слово не читается уверенно, поставь рядом знак вопроса в квадратных скобках». Тогда вы получите карту мест, которые надо разобрать самому, а не гладкий текст, где половина придумана. И телефоны с суммами в рукописном сверяйте всегда, без исключений, даже когда всё остальное выглядит идеально.

Отдельный случай - записанная от руки задача или конспект ребёнка. Там расшифровка обычно не самоцель, а первый шаг, и логика работы другая: подробно об этом в разборе про решение задач по фото.

• Свет со стороны, одна страница в кадре, лист занимает почти весь снимок
• Файл тяжелее 3 мегабайт пересохранить с меньшим качеством
• В запросе: «дословно», «цифры не меняй», «ничего не пересчитывай», отметка в конце
• Для страницы добавить: «слова с переносом собери целиком, сноску тоже перепиши»
• Сверить по фото все числа: суммы, количество, даты, телефоны, номера пунктов
• Проверить, что итог в таблице стоит там же, где на фото
• Поискать дефис с пробелом после него, это несобранный перенос
• Убедиться, что мелкий абзац со звёздочкой внизу не пропал
• Прогнать отдельный запрос на буквы-близнецы в артикулах и обозначениях
• Для Excel просить строки с точкой с запятой и без пробелов в разрядах
• Паспорт, договор, медсправку не загружать: закрыть данные или перепечатать руками

Если текст лежит не на фото, а в файле, логика проверки другая: разобрал в статье про нейросеть и PDF, там она не ошиблась в пунктах договора, зато дважды ошиблась в деньгах. А чтобы расшифрованную накладную сразу посчитать, пригодится бесплатный гайд «Эксель без формул» с запросами к таблице обычными словами. Если на фото не чек и не скан, а бланк анализов - подробный разбор. Если по фото надо узнать не текст, а животное - определить породу по фото. подробный разбор.

Можно ли распознать текст с картинки бесплатно и без установки программ?

Да. Алиса и ГигаЧат читают снимок в бесплатном режиме прямо в браузере: прикрепляете фото, пишете «перепиши весь текст дословно» и получаете ответ за 20-40 секунд. Устанавливать ничего не нужно, отдельная программа-распознаватель для разовой задачи не требуется.

Что делать, если нейросеть отказывается читать снимок?

Чаще всего дело в самом файле: тяжёлый снимок с телефона, нестандартный формат или в кадре сразу несколько страниц. Пересохраните в обычный JPEG, уменьшите до 2-3 мегабайт, снимите каждую страницу отдельно и повторите. Если отказ повторяется в одном сервисе, тот же снимок обычно спокойно открывается в другом, ещё один довод держать два.

Почему в готовом тексте вместо русских букв стоят латинские?

Часть русских букв внешне совпадает с латинскими: А, В, С, Е, Н, К, М, О, Р, Т, Х. Модель угадывает алфавит по контексту и в артикулах, марках и обозначениях градусов ошибается: в моём прогоне «ВА47-29» превратилось в «BA47-29» у обоих инструментов. Глазами такую подмену не видно, но поиск по документу и функция ВПР в Excel по такой строке уже не найдут ничего.

Распознает ли нейросеть рукописный текст?

Ровный разборчивый почерк читается, беглый - плохо. Я честно проверял не живую руку, а рукописный шрифт на экране: по нему Алиса дала полное совпадение с оригиналом, ГигаЧат 90,4 процента и добавил лишние знаки. Настоящий почерк с наклоном, помарками и слипшимися буквами будет заметно хуже, поэтому рукописное всегда сверяйте построчно.

Можно ли загружать в чат паспорт, договор или медицинскую справку?

Нет. ГигаЧат при загрузке файла прямо просит подтвердить галочкой, что в нём нет персональных данных и охраняемой законом тайны, то есть паспорт и договор туда нельзя по правилам самого сервиса. Чужие персональные данные вы к тому же обрабатываете по 152-ФЗ. Закрывайте фамилии и номера перед снимком либо перепечатывайте такие документы руками.

Как перенести распознанную таблицу в Excel без ручной правки?

Попросите отдать таблицу строками, где столбцы разделены точкой с запятой, и сохраните ответ в файл с расширением csv. Excel откроет его и разложит по столбцам сам. Перед этим проверьте разряды: если в ответе тысячи разделены пробелом, замените его на пустое место, иначе числа встанут в таблицу как текст и не будут складываться.